最近 Agentic AI 一词常出现在大众视野里，很多人还没玩转 Agent，又要开始了解 Agentic AI，这是不是新瓶装旧酒，又造没必要的概念？

还真不是。Agentic AI 的核心能力很好理解——接到任务后，先思考规划，然后自动调用、组合一切可以使用的工具，帮你完成任务。

和对话式、生成式的 GenAI 相比，Agentic AI 具备自主决策与行动的能力。

和单个的 Agent 相比，Agentic AI 则是能同时调动多个 Agent 或者其他工具，完成更复杂的系统性任务。

乍一看会感觉功能上的进步并没有多亮眼，实际上，这可能是大模型时代从拼技术，到拼生态的关键一环。百模大战已暂告一段落，市场向头部模型靠近，开源也加速了 AI 普惠。在许多应用场景中，很难从大模型技术能力层面拉开太大的差距。那么下一步，拼的必然是生态，谁能聚合更多应用，完成更复杂的任务，才能引得用户驻足。而 Agentic AI 恰恰是一个带着生态性质的智能系统。

可以看一个简单的案例——上个月刚刚升级的扣子空间，也符合 Agentic AI 系统的定义。

先提出一个初始要求：“2025端午节马上就要到了，我要从深圳出发，去周边度假3天，请你结合实际情况做一个旅游规划，并且用文档呈现给我。”

下图是扣子空间给出的反馈：可以看出，扣子空间的思考过程划分了明确的任务步骤，首先找合适的地点，然后使用搜索工具检索信息，继而做出规划，根据规划查询细节，最后整理成了 Markdown 格式返回给我。最终的 Markdown 文件可以直接在扣子空间中打开。

扣子空间目前并没有选择底层模型的按钮，使用的是豆包大模型，同样的问题给到豆包大模型，就可以对比出不同：豆包没有展示详细的思考过程，最终也无法直接生成一个文档，只是在对话框里给了文字信息。

此外，更核心的区别在于，Agentic AI 中，还具备调用各类内外部工具的能力。在扣子空间的页面，点击扩展，即可添加外部工具组件，比如在这次对话中选择墨迹天气、高德地图、飞书云文档，然后提出修改的要求：“生成一份飞书文档，并结合实际天气预报和路线，完善这份旅游攻略。”

同样按照前文思考、工具调用、完成任务的步骤，扣子空间给了我一个飞书云文档的链接，打开之后，更新的旅游攻略里有了非常详细的交通行车规划，以及天气预报。

还没完，目前扣子空间提供的外部扩展组件只有 10 多个，但是它支持通过 MCP 协议配置，这样一来，开发者就可以自定义更多功能。（不了解 MCP 的同学可以看这篇：MCP 协议：LLM 应用开发的 “Type-C”）从这个角度看，也就解释了为什么去年很多厂商在做多智能体协作的产品，但今年却被 Agentic AI 抢了风头——MCP 协议方便大模型调用各个成熟的产品、工具，同时开发一个 MCP Sever 也很简单，所以自然比几个智能体协作更有市场。

谁在做？

目前市场上，符合 Agentic AI 定义的产品正呈现多点开花的态势。其中最典型的落地场景当属开发者工具领域——各类 Code Agent 可以自主思考、动态调试、具备全局视角、能根据需求自主调用工具。比如字节海外版 Trae 支持 Agent 模式下的全流程开发；Copilot 上线了名为 "Project Padawan" 的自主 Agent；通义灵码宣布全面支持 Qwen3，上线了编程智能体等等。感兴趣的读者可以查看此前关于 Code Agent 的详细报道 Code Agent 都用过了吗，能打几分？

今年厂商的战略布局正从单一工具向系统工程演进，许多厂商发布的满足 Agentic AI 定义的相关的产品锚定在更加工程化的场景中。

上个月，亚马逊成立了一个专注于 Agentic AI 的新部门。5月22日，亚马逊云科技推出 Amazon Transform，定位是“基于 Agentic AI 的现代化迁移服务”，从技术架构上看，Amazon Transform 融合了多种亚马逊云科技已有能力：包括 Amazon Q（对话界面）、Amazon Bedrock（模型支撑）、图神经网络（依赖建模）、Amazon Q Developer（代码生成）、以及云原生部署平台（ECS/Fargate）。但对开发者而言，它最有意义的地方，是能把迁移过程变成一段工程闭环流程，而非一个无头绪的技术债项目。

3月，智谱发布了 AutoGLM 沉思模型，核心支持 research 场景。据介绍，该模型是一个集深度研究与实际操作能力于一体的 Agent 产品。后续，智谱还将搭建 Agentic LLM 平台，助力生态合作伙伴利用智谱模型与智能体的能力，构建行业、地域与场景深度融合的智能体应用。智谱 CEO 张鹏表示，2025年无疑是 AI Agent 的爆发之年，智谱将战略聚焦 Agentic GLM 的研发，以推动智能体技术的快速发展。

北京大学发布了开源研究项目 Agentic RAG-R1，旨在推动语言模型在自主检索与推理能力方面的能力边界。该项目通过引入强化学习策略（GRPO），构建了一个可自我规划、检索、推理与总结的智能体式 RAG 系统，具备模型自主、工具自选、推理自洽核心能力。

NVIDIA 和微软也在合作推进 Agentic AI 应用从云端到 PC 的发展。在 5 月的 Microsoft Build 大会上，微软发布了可扩展平台 Microsoft Discovery，旨在赋能研究人员利用 Agentic AI) 变革整个发现流程，帮助各行各业的研发部门加快新产品的上市时间，并加速和扩展所有科学家的端到端发现流程。Microsoft Discovery 将集成 NVIDIA ALCHEMI NIM 微服务，微服务可用于优化化学模拟的 AI 推理，并通过属性预测和候选材料推荐来加速材料科学研究。

此外，研究机构对 Agentic AI 的评价与期待也很高。

Gartner 的《2025 年主要战略技术趋势研究报告》。第一大趋势便是 Agentic AI（智能代理 AI）趋势背景：智能代理 AI 是能够自主决策并采取行动以实现特定目标的软件程序。该技术结合了多种 AI 技术，具备记忆、规划、感知环境、使用工具并遵循安全准则等功能，旨在使 AI 系统具备更强的自主性。

趋势重要性体现在智能代理 AI 可以大幅提升企业的生产力，并在 2028 年前让至少 15% 的日常工作决策实现自动化。它能够帮助员工完成更复杂的任务，推动技术项目的发展，并改善企业的决策效率。应用场景指向客户体验自动化、数据分析中的高级决策、复杂项目的自主规划等。

康奈尔大学最新发布的论文也认为 AI Agent 和 Agentic AI 本质上是两个完全不同的技术范式，后者代表一种由多个 AI 代理组成的系统，这些代理可以协同工作，解决复杂的多步骤任务。它不仅拥有更高层次的自主性，还能在多个任务和环境中进行学习与适应。其典型应用包括供应链管理、流程优化和虚拟项目管理，体现出系统级的智能协作与协调能力。而这种演进标志着从“功能性智能”向“系统性智能”的跃迁。

怎么做？

从技术层面来说，整合一个 Agentic AI 不算难，结合 MCP，或是通过开放平台构建工具集市，打通自定义工具的调用接口就能实现。但技术可行性只是商业化的起点，当科技巨头们争相布局 Agentic AI 时，两条截然不同的演进路线浮出水面。

Salesforce 选择渐进式改造：将 Agentic AI 嵌入现有 SaaS，比如在 CRM 里内置智能销售助手，自动生成客户画像和跟进策略等。

典型案例是 Salesforce 的 Agentforce 系统，Agentforce 与整个 Salesforce Customer 360 系统原生集成。从销售与服务到商务与市场营销，客服人员可以使用 CRM 应用程序中的完整客户上下文，比如客服人员可以利用互动数据来识别追加销售机会，并向潜在客户生成个性化电子邮件。这种“自下而上”的策略，既保留企业原有数据架构，又降低了转型成本。

微软比较激进，微软 CEO Satya Nadella 曾高调宣称：“我们所知的 SaaS 时代即将结束……Agent 将成为核心驱动力”。 Nadella 认为，这是一场从“App Stack”到“Agent Stack”的根本性变革。过去，我们依赖前端 UI 驱动的应用形态，每一个业务场景都被拆分为独立的 App，用户通过操作完成任务。未来，主导者将是 Agent，它能感知用户意图，基于数据、模型和推理链条，完成决策和自动执行。结合前不久 Microsoft Discovery 的发布动作，Nadella 畅想的这幅关于 Agent 的未来画面显然是符合 Agentic AI 的范畴。

在这种架构转变下，当前的 SaaS 等应用因为其本质上是嵌入商业逻辑的数据库，未来这些逻辑会被 Agent 接管，由 Agent 去做增删改查，在多个数据库之间工作，所有的逻辑都会转移到 AI 层。而一旦 AI 层成为主导，背后的数据库最终也会开始被替代。

从本质上讲，Agentic AI 是一种以自主性为核心的 AI。这意味着它可以做出决策、采取行动，甚至自主学习以实现特定目标。它就像一个虚拟助手，能够思考、推理，并适应不断变化的环境，而无需持续的指令。

从系统的角度看，Agentic AI 既可以融入企业的现有架构中，也能另起炉灶。下一步，Agentic AI 的成败或许就要看，谁能接入更多工具，谁能打破边界丝滑融入更多的生态。